基于神经网络的非线性系统在线自校正控制及其应用

利用神经网络给出了设计非线性控制系统自适应控制器的方法,主要包括基于神经网络的非线性系统的在线直接自校正和间接自校正控制和满足局部能控一般非线性系统的神经网络自校正控制。从研究结果可以看出,由于神经网络的权系数的可调性以及神经网络对非线性的逼近性,利用神经网络所设计的自适应（或自校正）控制器,其闭环控制系统具有良好的动态与静态响应特性。所提供的控制器都可在线实现     

神经自校正控制在非线性控制系统中的应用研究

利用神经网络给出了设计非线性控制系统自适应控制器的方法,主要包括基于神经网络的非线性系统的在线直接自校正。本文论述了非线性控制系统的控制策略问题,介绍了神经自校正控制法,比较了神经自校正控制方法和其他几种控制方法,得出了神经自校正控制方法较其他方法的优点。     

非线性系统的神经网络自学习控制

提出了一种对非线性系统的神经网络自学习控制方法,基于逆动力学控制的思想,构造了神经网络结构一致的控制器和辩识器。辨识器采用多层前向网络结构和广义Ｄｅｌｔａ学习规则算法实现了对系统逆动力学模型的动态辨识,并通过在线动态传递权值给神经网络控制器的方法实现了神经网络辨识器的神经网络控制器的有机结合,从而使整个控制系统具有很强的自适应和自学习能力,所提出的控制方案可适用于不含滞后环节和包含滞后环节的非线性     

基于自校正模型的非线性系统多模型预测控制

针对化工过程某些非线性系统的不对称动态特性，提出了一种基于自校正模型的多模型预测控制算法。在平衡点附近建立线性模型，利用当前工作点，通过二阶泰勒展开校正模型参数，补偿非线性不对称动态特性，形成了非线性系统的自校正多模型描述。以基于模型输出偏差的切换指标函数作为模型切换准则，结合状态反馈预测控制，构成了多模型预测控制器。pH值控制的仿真结果验证了该算法的有效性。     

基于自校正模型的非线性系统多模型预测控制

针对化工过程某些非线性系统的不对称动态特性,提出了一种基于自校正模型的多模型预测控制算法.在平衡点附近建立线性模型,利用当前工作点,通过二阶泰勒展开校正模型参数,补偿非线性不对称动态特性,形成了非线性系统的自校正多模型描述.以基于模型输出偏差的切换指标函数作为模型切换准则,结合状态反馈预测控制,构成了多模型预测控制器.pH值控制的仿真结果验证了该算法的有效性.     

一类MISO对称非线性系统及其约束自校正控制器

针对MISO随机广义Hammerstein模型,从实际工程对象的物理意义出发,分析了其不能描述对称非线性系统的问题。在模型中加入控制输入的符号函数,提出一可描述对称非线性系统的MISO随机广义Hammerstein模型。在目标函数中加入控制输入的高次项和其符号函数提出一超二次型目标函数。对控制输入加入饱和限幅,给出了改进的MISO随机广义Hammerstein模型的约束自校正控制器算法,适用于开环不稳定的非最小相位系统。提出一控制策略使算法无稳态偏差,且控制输入收敛于以原点为中心的变化域内。采用约束最优化的投影梯度法和无约束最优化的变尺度算法对目标函数寻优,证明了可行域内所有点均可作为投影梯度算法的初始可行点,并证明了线性不等式约束的任意紧约束组合时其可行域即为正则域。仿真研究表明了合理性和有效性。     

基于神经网络的非线性前馈补偿广义预测自校正控制器

采用多层前馈网络结构进行动态建模,并用Ｄａｖｉｄｏｎ最小二乘法作为在线学习算法,将辨识后得到的模型进行线性化．基于线性化模型设计广义预测控制器。将其与非线性前馈相结合,建立了一种适合于非线性系统的前馈补偿广义预测自校正控制器．仿真结果验证了本控制器对非线性系统控制的有效性     

基于神经元网络的非线性系统间接自校正预测控制器

提出了一种使用神经元网络的非线性系统间接自校正预测控制器。这一控制方法是基于两个神经元网络,一个用于动态过程的建模,另一方面用于获取控制信号。控制器的优化目标基于过程输出的向前多步预测。两个网络在线学习均采用了非线性最小二乘法。     

基于神经网络模型的扩展优化自校正预测控制

利用前馈神经网络权初值优化的快速BP算法建立对象的非线性预测模型,采用分段线性化的技术建立动态线性模型,基于该线性模型进行滚动优化,同时用非线性预测模型对其进行补偿,实现对具有时延的非线性系统的预测控制,较好地解决了非线性系统存在时变、模型失配等情况下的控制问题。仿真实验表明由它构成的控制系统具有很好的动态响应和较强的鲁棒性。     

类模糊神经网络与非线性系统的在线控制

以实现非线性动态系统的在线控制为目的,提出了一种具有隐层数少、运算简便和逼近能力强等优点的神经网络－类模糊神经网络,并就非线性动态系统的在线控制给出了基于类模糊神经网络控制的选择记忆算法,使谤类非线性系统的在线控制问题得以解决。     

基于神经网络的二阶非线性系统的自适应控制

本文采用神经网络对二附非线性系统进行特征辩识,并将其用于自适应控制,从而得到了一种新型的自适应控制方法。仿真实验表明该方法具有很强的学习能力和自适应性。     

基于动态神经网络的非线性系统建模及其控制

结合已知机理信息构造动态神经网络，进行了非线性动态系统的建模，给出了权值调整算法，利用获得的模型，设计了反馈线性化控制器，由训练好的网络在线提供反馈线性化所需要的信息，为了解决模型失配问题，采用内模控制结构来引入模型的误差反馈，以消除稳态误差，文中给出了仿真实例。     

pH过程的极点配置自校正控制

pH过程控制广泛应用于化工、废水处理等领域,但由于其严重的非线性特性一直是工业过程控制的难点。利用非线性模型来描述pH过程,使用非线性极点配置自校正控制器对过程进行控制,实验结果表明该控制方法具有良好控制效果。     

基于动态神经网络的非线性系统建模及其控制

结合已知机理信息构造动态神经网络 ,进行了非线性动态系统的建模 ,给出了权值调整算法。利用获得的模型 ,设计了反馈线性化控制器。由训练好的网络在线提供反馈线性化所需要的信息。为了解决模型失配问题 ,采用内模控制结构来引入模型的误差反馈 ,以消除稳态误差。文中给出了仿真实例。     

基于神经网络的自校正模糊控制器

本文针对常规模糊控制器的不足．提出了一种自校正模糊控制器，论述了它的在线调整设计方法。并在此基础上进一步利用BP神经网络进行推理．实现控制参数自动调节。为减少BP网络的训练量、对模糊集（网络的输入）进行了“编码”。最后的仿真结果表明了该控制器具有自适应和学习能力，其动态响应和鲁棒性均优于常规的FUZZY控制。     

基于神经网络的非线性观测器及其应用

提出了一种基于神经网络的非线性观测器，用于青霉素发酵过程的状态估计，仿真研究获得了满意的结果。观测器的输出与离线测量数据拟合较好，证明了该方法的实用性，为建模困难的生化过程的状态估计提供了可能。     

基于工程最佳化指标的PID自校正控制

根据模拟调节器的典型系统工程最佳化指标，直接设置和整定了数字调节器的结构和参数。给出了其中二阶，三阶最佳化设计指标，当对象模型参数时变时，采用自适应控制技术，在线闭 环辨识对象模型。数字ＰＩＤ调节器参数被自动整定。     

一类非线性系统的RBF神经网络滑模控制及应用

针对一类模型不精确的非线性系统,提出了一种RBF神经网络与滑模控制策略。RBF神经网络在一定条件下可以任意精度逼近非线性函数,且具有较强的自学习、自适应和组织能力。因此,将其与滑模变结构控制策略相结合,应用于非线性系统中。实验结果表明:其克服了传统滑模变结构控制中的振颤问题,同时,继承了滑模变结构控制所具有的快速性能好、鲁棒性强和抗干扰性能优良的特点。